Классификация и обновление состояния сети в Simulink

В этом примере показано, как классифицировать данные для обученной рекуррентной нейронной сети в Simulink ® с помощью Stateful Classify блок. Этот пример использует предварительно обученную сеть долгой краткосрочной памяти (LSTM).

Загрузка предварительно обученной сети

Загрузка JapaneseVowelsNetпредварительно обученная сеть долгой краткосрочной памяти (LSTM), обученная на наборе данных японских гласных, как описано в [1] и [2]. Эта сеть была обучена на последовательностях, отсортированных по длине последовательности с размером мини-пакета 27.

load JapaneseVowelsNet

Просмотрите сетевую архитектуру.

net.Layers
ans = 

  5x1 Layer array with layers:

     1   'sequenceinput'   Sequence Input          Sequence input with 12 dimensions
     2   'lstm'            LSTM                    LSTM with 100 hidden units
     3   'fc'              Fully Connected         9 fully connected layer
     4   'softmax'         Softmax                 softmax
     5   'classoutput'     Classification Output   crossentropyex with '1' and 8 other classes

Загрузка тестовых данных

Загрузите тестовые данные японских гласных. XTest - массив ячеек, содержащий 370 последовательностей размерности 12 различной длины. YTest является категориальным вектором меток «1», «2»... «9», которые соответствуют этим девяти дикторам.

[XTest,YTest] = japaneseVowelsTestData;
X = XTest{94};
numTimeSteps = size(X,2);

Simulink Модели для классификации данных

Модель Simulink для классификации данных содержит Stateful Classify блок для предсказания меток и MATLAB Function блоки для загрузки последовательности входных данных в течение временных шагов.

open_system('StatefulClassifyExample');

Сконфигурируйте модель для симуляции

Установите параметры конфигурации модели для входных блоков и Stateful Classify блок.

set_param('StatefulClassifyExample/Input','Value','X');
set_param('StatefulClassifyExample/Index','uplimit','numTimeSteps-1');
set_param('StatefulClassifyExample/Stateful Classify','NetworkFilePath','JapaneseVowelsNet.mat');
set_param('StatefulClassifyExample','SimulationMode','Normal');

Запуск симуляции

Вычисление откликов для JapaneseVowelsNet network, запустите симуляцию. Метки прогноза сохраняются в рабочей области MATLAB ®.

out = sim('StatefulClassifyExample');

Отобразите предсказанные метки на графике лестницы. График показывает, как предсказания изменяются между временными шагами.

labels = squeeze(out.YPred.Data(1:numTimeSteps,1));

figure
stairs(labels, '-o')
xlim([1 numTimeSteps])
xlabel("Time Step")
ylabel("Predicted Class")
title("Classification Over Time Steps")

Сравните предсказания с истинной меткой. Постройте график горизонтальной линии, показывающий истинную метку наблюдения.

trueLabel = double(YTest(94));
hold on
line([1 numTimeSteps],[trueLabel trueLabel], ...
    'Color','red', ...
    'LineStyle','--')
legend(["Prediction" "True Label"])
axis([1 numTimeSteps+1 0 9]);

Ссылки

[1] М. Кудо, Дж. Тояма и М. Симбо. «Многомерная классификация кривых с использованием областей». Распознавание Букв. Том 20, № 11-13, стр. 1103-1111.

[2] UCI Machine Learning Repository: Японский набор данных гласных. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels

См. также

| | |

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте